摘 要：本文首先介紹了混合高斯模型的算法原理，并且提出一種利用遞歸法檢測(cè)多個(gè)前景物體的方法，然后提出一種基于慢高斯的遺留物檢測(cè)算法，該算法利用混合高斯模型進(jìn)行背景建模，利用遞歸法對(duì)檢測(cè)到的前景物體分別計(jì)時(shí)，當(dāng)計(jì)時(shí)器達(dá)到閾值時(shí)進(jìn)行標(biāo)記并報(bào)警。

關(guān)鍵詞：視頻監(jiān)控；遺留物檢測(cè)算法

傳統(tǒng)的視頻監(jiān)控已經(jīng)無(wú)法滿足人們對(duì)安全的需要，智能視頻監(jiān)控作為一種高效的監(jiān)控手段得到越來(lái)越多的重視。由于遺留包裹是恐怖襲擊的主要手段，因此遺留包裹的檢測(cè)成為智能視頻監(jiān)控中一項(xiàng)非常重要的應(yīng)用。當(dāng)前的遺留物檢測(cè)算法很多，但是大多數(shù)不太理想，主要存在兩方面的問(wèn)題：一種是算法太簡(jiǎn)單，對(duì)干擾處理太少，使得檢測(cè)結(jié)果不理想；令一種是由于對(duì)干擾處理比較多，使得算法太復(fù)雜，運(yùn)算量太大。本文針對(duì)以上問(wèn)題，提出了一種基于慢高斯的遺留物檢測(cè)算法。

1 遺留物檢測(cè)算法原理

基于慢高斯的遺留物檢測(cè)算法原理為：用混合高斯模型進(jìn)行背景建模，將輸入的視頻圖像的各個(gè)像素與對(duì)應(yīng)的背景高斯模型進(jìn)行比較，若與其中一個(gè)背景模型匹配，則判為背景，若與所有的背景模型都不匹配，則判為前景；得到的前景物體包括運(yùn)動(dòng)前景、遺留前景和噪聲，然后，對(duì)得到的前景進(jìn)行形態(tài)學(xué)處理，去除噪聲，最后利用遞歸法對(duì)前景物體分別計(jì)時(shí)，當(dāng)遺留物體在場(chǎng)景中靜止超過(guò)規(guī)定的閾值時(shí)，判為遺留物體。

2 混合高斯模型

混合高斯模型是利用K個(gè)高斯概率密度函數(shù)來(lái)表示每個(gè)背景像素，利用當(dāng)前像素值和各個(gè)高斯分布進(jìn)行均值和方差的比較，判定當(dāng)前像素為背景或者前景。

每個(gè)像素點(diǎn)的概率為：

其中α為學(xué)習(xí)速率，α取值越大，背景的更新速度越快，ρ為學(xué)習(xí)因子，用來(lái)調(diào)整當(dāng)前高斯分布，有時(shí)ρ取固定值。如果當(dāng)前像素值與所有的高斯分布都不匹配，那么均值和方差都不變，只對(duì)權(quán)值進(jìn)行更新，然后為當(dāng)前像素分配一個(gè)新的權(quán)值和方差，更新公式為：

混合高斯模型可以適應(yīng)場(chǎng)景中緩慢的光線變化，同時(shí)對(duì)背景中搖晃的樹(shù)葉等反復(fù)出現(xiàn)的物體可以很好的識(shí)別，減小誤檢率。因此本文用混合高斯模型進(jìn)行背景建模。由于本文對(duì)遺留物體進(jìn)行檢測(cè)，如果α取值過(guò)大，背景更新過(guò)快，遺留物體會(huì)很快的更新到背景中，無(wú)法進(jìn)行遺留物檢測(cè)。因此，α取盡可能小的值。遺留物的檢測(cè)和運(yùn)動(dòng)物的檢測(cè)不同，運(yùn)動(dòng)物體的檢測(cè)如果不對(duì)每一幀進(jìn)行檢測(cè)，運(yùn)動(dòng)速度較快的物體會(huì)出現(xiàn)漏檢。而遺留物體不用考慮這個(gè)問(wèn)題，可以對(duì)視頻隔k幀檢測(cè)一次，這樣節(jié)省運(yùn)算時(shí)間，本文選擇k的值為3。

3 遞歸法檢測(cè)多個(gè)前景物體

形態(tài)學(xué)處理后的前景圖像包括運(yùn)動(dòng)前景和遺留物體，本文采用遞歸法區(qū)分運(yùn)動(dòng)前景和遺留物體。遞歸法檢測(cè)遺留物體的步驟如下：

用質(zhì)心代表檢測(cè)到的前景物體，用此質(zhì)心和保存的質(zhì)心進(jìn)行比較，如果相匹配，就判為是同一物體，在保存的質(zhì)心相對(duì)應(yīng)的計(jì)時(shí)器上加常數(shù)a，如果不匹配則減常數(shù)b。如果此質(zhì)心和所有保存的質(zhì)心都不匹配，那么，將此質(zhì)心保存并分配一個(gè)新的計(jì)時(shí)器，一幀圖像匹配完后將所有的質(zhì)心按照計(jì)時(shí)器的值由大到小排列，下次分配計(jì)時(shí)器時(shí)，賦給第一個(gè)值為0的計(jì)時(shí)器。

這樣，同一位置的遺留物體所對(duì)應(yīng)的計(jì)時(shí)器的值不斷增加，當(dāng)達(dá)到規(guī)定的閾值時(shí)，進(jìn)行報(bào)警。

4 實(shí)驗(yàn)結(jié)果

基于慢高斯的遺留物檢測(cè)算法結(jié)果如圖2 所示，由圖2可知，此方法可以準(zhǔn)確的檢測(cè)出遺留物體，并且可以對(duì)多個(gè)遺留物體分別檢測(cè)。

綜上所述，遺留物體檢測(cè)是智能視頻監(jiān)控的重要內(nèi)容，本文提出了一種比較完整的遺留物檢測(cè)算法，準(zhǔn)確的檢測(cè)出了遺留物，并且可以對(duì)多個(gè)遺留物進(jìn)行檢測(cè)。接下來(lái)要對(duì)目標(biāo)識(shí)別方面進(jìn)行研究，給出準(zhǔn)確的遺留物體識(shí)別結(jié)果。

[參考文獻(xiàn)]

[1]吳明軍，彭先蓉.遺失目標(biāo)的實(shí)時(shí)檢測(cè)算法.光電工程，2009，36（7）：36-40.

[2]張兆禮.現(xiàn)代圖像處理與Matlab實(shí)現(xiàn).北京：人民郵電出版社，2001： 171-176.

[3]徐玉波，陶海.數(shù)字視頻智能化技術(shù)的發(fā)展和應(yīng)用.技術(shù)與應(yīng)用， 2008：46-50.

[4]孔曉東.智能視頻監(jiān)控技術(shù)研究.上海交通大學(xué)博士學(xué)位論文，2008.